智驾圈激战：世界模型与VLA的博弈

智驾圈为“世界模型”激战正酣。

都是“世界模型”（World Model）惹的“战火”。读者们，你们能分清WM、WEWA、VLM、VLA吗？

确实，在“端到端”大模型火爆之后，“世界模型”的登场，让高端智驾的概念变得丰富且复杂。然而，问题也随之而来：如何定义真正的“世界模型”？它与VLA又有何关系？

最近有人开始“打假”。何小鹏在全新小鹏P7发布会后表示：“不知道中国有哪些友商真正做出VLA，而不是一个变形的VLA。据我所知，中国只有我们一家真正做出了VLA。”

在小鹏之前，只有理想宣布了VLA的量产。不仅如此，还有对VLA和世界模型都不满意，宣称要做WEWA的。

同一天，华为智能汽车解决方案BU CEO靳玉志表示：“我们不会走向VLA的路径。我们认为这样的路径看似取巧，其实并不是真正的自动驾驶之路。”

原因在于，“华为更看重WA（World Action），直接通过视觉信息控车，而不是将信息转为语言，再通过语言大模型控制车。”

因此，我们需要回答一个问题：为何小鹏要炮轰友商的VLA？华为又为何喷VLA？

在车端，还是在云端？

先说VLA（视觉-语言-行为大模型）。在VLA火爆之前，端到端＋VLM是智驾行业的主流技术方案。可以理解为，VLA是这一技术的进化形态，解决了端到端＋VLM的一些局限。

同样，VLA的“原生融合”更高级模式也依赖于端到端＋VLM的技术积累。

虽然VLA有很好的可解释性，但空间感知能力较弱。这也是华为省掉Language（L）的原因，直接采用WA（World Action）。

有人反对也有人支持。元戎启行就挺VLA。其CEO周光发布自家的VLA模型时称：“VLA模型的下限已超过端到端的上限。”周光还表示，“语音控车只是VLA的基础能力，最难的是思维链（Chain of Thought, CoT）和长时序推理。这才是VLA的核心能力。”

再说小鹏汽车，为何炮轰友商，声称自己才是真正的VLA？原因难以断言，但全新P7车型大幅升级了硬件配置，搭载了三颗图灵芯片，并计划9月通过OTA上车VLA。

理想则不同，采用车端快慢双系统。快系统为端到端E2E，慢系统的VLM（Vision-Language Model）部署参数为22亿（2B）。

随后，理想在端到端+VLM的基础上升级。其自动驾驶技术研发负责人表示，将支持实现MindVLA（Vision-Language-Action）智驾算法模型的量产上车。

实际上，理想的基座模型就是世界模型，部署在云端，作为“仿真训练+场景验证”的核心系统。

但小鹏对车端搞VLA嗤之以鼻，认为参数量不够。李力耘表示，车端的“端到端”模型很小，很多东西难以学进去。但云端大模型的能力能让智能真正“涌现”。

此前，小鹏汽车自动驾驶副总裁李力耘表示，正在研发720亿（72B）参数的超大规模自动驾驶大模型——“小鹏世界基座模型”。

该模型以大语言模型（LLM）为骨干网络，使用海量驾驶数据训练多模态大模型，具备视觉理解、链式推理和动作生成能力。通过云端蒸馏小模型的方式部署到车端。

“外挂”的利弊

“世界模型”的做法由特斯拉提出。马斯克旨在通过全球范围内所有路况的自动驾驶感知与决策中间嵌入AI大模型，构建虚拟环境进行学习和验证。

蔚来在国内首先提出这一概念。在NIO IN上，蔚来智能驾驶研发副总裁任少卿发布蔚来世界模型（NIO World Model），宣布蔚来智驾从“感知驱动”转入“认知驱动”。

尽管都叫世界模型，马斯克的WM、蔚来的NWM和华为的WEWA还是有差异。

蔚来的世界模型旨在在车端构建平行世界引擎。采用云端训练+车端推理的双架构，直接通过生成式模型生成轨迹规划。

专业说法中，世界模型是视频生成加prompt控制。而视频生成有四大类型：基于对抗网络GAN的、基于扩散模型的、基于自回归模型的（即transformer）和基于掩码的。

蔚来的设想是“无需人工标注”，将“感知-决策-控制”整合为统一的生成式模型。

但这一设想对车端算力需求极高，且生成式模型的实时优化问题未完全解决。直到2025年5月底，NWM才正式全量推送。

华为提出的云端+车端的WEWA模型和蔚来的WM原理相似。其中，云端的WE相当于“AI驾校”，车端的WA则采用一段式端到端架构的“AI驾驶大脑”。

从算力来看，华为WA总参数规模相当于80亿参数（8B），实际激活等效于20亿参数（2B）的算力负担。华为表示车端算力消耗降低75%。

生成式世界模型解决智驾数据难题的核心在于：通过世界模型生成Corner Case数据，让智驾系统在虚拟环境中优化感知和决策能力。需要车端和云端的共同作用。

“新技术采纳的最终标准是看产品收益。”地平线的市场负责人表示，“我还是更看好World Model。新技术的采纳要看产品收益。”